一种基于云计算的障碍地图的创建方法与流程

1.本发明属于智能控制领域，具体涉及一种基于云计算的障碍地图的创建方法。


背景技术：

2.近年来，利用传感器获取环境信息，分析环境的风险情况并设计车辆控制策略以提高车辆的主动安全性已成为共识。但由于传感器数量的不断增加使得感知数据量持续激增，而车载计算单元难以持续扩容，导致现有的智能车辆存在计算效率不高、实时感知效果不佳、制造与维护成本高等问题。
3.中国发明专利申请“障碍地图的创建方法、系统，机器人及可读存储介质”(申请号：cn201910760602.x，公开日：2021
‑
02
‑
23)，公开了一种障碍地图的创建方法，该发明通过在机器人行走工作区域的栅格地图进行标记形成障碍物地图，该地图虽能够反映机器人所处的部分障碍环境，但仍存在以下问题：(1)由于该地图装载于机器人中，而机器人本身存在因硬件无法持续扩容所导致的计算能力受限的问题，所以在面对因行驶范围扩大所造成的障碍物数量激增的问题时，机器人难以快速、实时地处理当前的环境信息；(2)该障碍地图并未对障碍物进行分类，对于行驶于结构化道路的智能设备，如智能车辆，过于丰富的障碍物数量会降低影响车辆安全的障碍物的占比，使得计算复杂度增大，影响行驶安全；(3)该障碍地图仅提到如何增加被标记的障碍物，但未考虑环境是动态变化的。


技术实现要素：

4.本发明的目的在于提供一种基于云计算的障碍地图的创建方法。
5.实现本发明目的的技术解决方案为：一种基于云计算的障碍地图的创建方法，主要步骤包括：
6.s1、数据处理：接收并解析来自车辆终端的数据包，根据传感器类别分类存储数据以供建立障碍地图使用；
7.s2、高精度定位：融合多传感器信息，使用ndt配准算法，配准当前时刻的配准点云与预先存储的点云地图以实现定位；
8.s3、障碍物检测：根据高精度定位的结果，采用基于判断分析的降目标处理算法过滤非道路因素障碍物信息，采用聚类检测算法完成障碍物检测；
9.s4、障碍物识别：根据障碍物检测的结果，采用目标识别与跟踪算法，识别动、静态障碍物并分类储存；
10.s5、生成障碍地图：设计障碍地图界面，分类显示动、静态障碍物，实时更新障碍物的位置与运动信息。
11.进一步的，所述数据处理具体包括如下步骤：
12.s11、接收来自车辆终端的数据包；
13.s12、解析所收到的数据包并存储于数据库内便于预处理；
14.s13、提取gps、惯性导航传感器、激光雷达和自车行驶状态的数据并分类存储。
15.进一步的，所述高精度定位具体包括如下步骤：
16.s21、时间同步处理gps、惯性导航传感器和激光雷达数据；
17.s22、加载存储于云端的点云地图，并对该点云地图进行网格化处理，计算每个网格的概率密度函数；
18.s23、加载当前时刻的配准点云，并以使得配准得分最大化为优化目标，实现配准点云与点云地图的ndt配准；
19.s24、获得配准后的对齐点云。
20.进一步的，所述障碍物检测具体包括如下步骤：
21.s31、对所述对齐点云进行地面分割，过滤与障碍物检测无关的地面点云信息；
22.s32、对对齐点云进行降目标处理，过滤非道路因素障碍物信息；
23.s33、过滤车身附近的对齐点云数据，防止出现因雷达反射而存在的虚假点云信息；
24.s34、降采样处理对齐点云，减小计算复杂度；
25.s35、使用欧几里德聚类算法处理对齐点云，获得障碍物点云簇；
26.s36、利用框模型处理障碍物点云簇，便于障碍物识别。
27.进一步的，所述障碍物识别具体包括如下步骤：
28.s41、以框模型为对象，利用融合该模型形状参数和位置信息的模型差异度函数计算当前帧与上一帧的框模型之间的差异度，将差异度最小的两个框模型视为同一障碍物；
29.s42、获得同一障碍物相邻两帧的位置和自车的运动状态，计算该障碍物在车辆坐标系下相对于自车的运动状态，包括相对速度、加速度和距离；
30.s43、将计算所得的相对速度、加速度、距离与预设的障碍物分类阈值进行比较，根据结果将障碍物划分为静态障碍物与动态障碍物，并存储相应的运动状态信息；
31.s44、利用跟踪控制器对动态障碍物进行跟踪，输出并存储当前帧的位置和车速。
32.进一步的，所述生成障碍地图具体包括如下步骤：
33.s51、以自车为中心，订阅包含框模型的对齐点云，并将其裁剪为预设尺寸，建立障碍地图显示界面；
34.s52、标记正在跟踪的框模型为红色，静态障碍物框模型为黄色；
35.s53、存储并实时更新框模型的位置信息与运动信息于界面右侧，用于避障策略的选择和便于远程监控。
36.进一步的，步骤s31对所述对齐点云进行地面分割，过滤与障碍物检测无关的地面点云信息中的地面分割为根据同一射线前后两点的坡度是否符合所设定的阈值而决定该激光点是否属于地面点云，具体步骤包括：
37.s311、遍历所有射线以及射线上的所有激光检测点，确定所属激光检测点的位置；
38.s312、根据所述激光检测点的半径梳理同一射线附近的点云关系；
39.s313、通过判断前后两点高度差是否符合高度阈值实现地面识别，即若当前点高度并不在根据前一点高度所计算的高度范围内，且前一点是地面点，则当前点是地面点，若当前点高度在高度范围内，且前后两点距离大于相邻两点距离阈值，则当前点是地面点，若以上条件都不符合，则该点不是地面点。
40.进一步的，步骤s32对对齐点云进行降目标处理，过滤非道路因素障碍物信息具体
步骤包括：
41.s321、对对齐点云进行空间划分，空间划分所需的距离阈值由激光检测点的坐标决定；
42.s322、根据激光检测点的空间划分结果，计算该空间内点云地图的数据量，通过判断该数据量是否超过预置的数据量阈值确定激光检测点是否属于非道路因素障碍物点云，数据量阈值由所述激光检测点与车辆之间的距离决定。
43.进一步的，步骤s32中的非道路因素障碍物信息指对道路行车安全影响小的障碍物的点云信息。
44.进一步的，非道路因素障碍为树木、建筑物或城市基础设施建设。
45.本发明与现有技术相比，其显著优点在于：
46.(1)实时性佳；本发明将云计算与降目标处理算法相结合，利用云计算按需分配计算资源的特点，在线实时处理点云信息并过滤非道路因素障碍物点云，在提高计算能力的基础上降低了点云信息的复杂度，极大地提高了控制系统的计算效率，满足了智能车控制系统的实时性要求。
47.(2)高精度；本发明采用ndt配准定位算法，通过匹配当前所扫描的配准点云与预置于系统的点云地图获得了车辆的当前位姿，该方法具有厘米级的定位精度，实现了高精度定位。
48.(3)检测效果更佳；利用降目标处理算法过滤非道路因素障碍物这一方法，不仅提高了被检测障碍物的有效性，还降低了检测系统的复杂度，为车辆提供更佳的感知效果；除此之外，动、静态障碍物的识别为后续避障策略的制定提供条件。
49.(4)成本低；本发明将计算与存储单元上移至云计算平台，大大降低了智能车自身的计算成本，云计算平台的使用也减少了用户自行运行并维护数据存储等功能的成本，若用户需要扩大车辆使用数量，功能模块的使用仅需增加相应数量的网络接口便可实现，系统的可复用性强。
50.(5)应用前景广泛；本发明所提出的基于云计算的障碍地图的创建方法，满足户外远距离作业的需求，仅需增加多种传感器和相应的软件服务便可实现多种功能，具有十分广泛的应用前景。
附图说明
51.图1为基于云计算的障碍地图的创建总体框架示意图。
52.图2为地面识别的示意图。
53.图3为降目标处理的分析过程示意图；其中图(a)为对齐点云的分布示意图，图(b)为降目标范围示意图。
54.图4为云计算平台的计算过程示意图。
具体实施方式
55.下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
56.本实施例详细介绍完成基于云计算的障碍地图的创建工作的组成部分，即数据处
理和建立障碍地图。所述数据处理指接收、解析数据包，分类存储各类传感器数据；所述建立障碍地图包括高精度定位、障碍物检测、障碍物识别和生成障碍地图，如图1所示。
57.数据处理首先接收车辆上传至云端并包含环境感知信息和车辆行驶状态信息的数据包，然后解析该数据包，并将所解析到的数据存储于中央数据库，中央数据库的信息需根据来源和所参与的功能进行分类，以减小数据复杂度，具体的分为用于高精度定位的gps传感器、惯性导航传感器和激光雷达的数据，用于障碍物识别的速度、加速度和位置数据。
58.高精度定位的目的是为了回答智能车所处位置与所处环境的问题。本发明采用ndt配准算法，通过配准当前时刻的配准点云和所存储的点云地图，获得车辆在当前时刻的位姿状态，实现厘米级的定位。存储的点云地图为包含智能车行驶环境的点云特征的地图，通常存储于服务器的数据库中以供随时调用。高精度定位的实现有利于提高车辆在循迹过程中的行驶精度。
59.障碍物检测用于快速准确的获得障碍物框模型。该过程以实现了高精度定位的配准点云为对象，以提高障碍物检测速度为目的，首先采用地面分割算法识别地面并过滤，然后利用基于判断分析的降目标处理算法来检测配准点云中的非道路因素障碍物点云信息并过滤，为了避免因雷达反射产生的虚假点云信息干扰检测结果，本发明过滤车身附近的对齐点云数据，并采用降采样处理算法减少参与欧几里德聚类算法的点云数据以提高计算效率，随之利用聚类算法处理对齐点云，获得道路因素障碍物的点云簇，最后采用框模型处理点云簇。
60.所述地面分割算法是一种通过计算同一射线前后两点的坡度，并将之与预设坡度阈值进行比较而判断检测点是否为地面点的算法。该算法首先通过遍历所有射线以及射线上的所有激光检测点的方式来确定所属激光检测点的位置，然后根据所述激光检测点的半径梳理同一射线附近的点云关系，并通过判断前后两点高度差是否符合高度阈值而实现地面识别，最后将所识别的地面点云通过过滤算法过滤。图2表示了地面识别的判断过程，point1
‑
point5与车辆距离依次由近至远。地面分割就是将物体object1，object2与地面通过点所在高度与两点之间距离等因素进行判断。若point3当前点，point2为先前点，point3则为地面点。若point4为当前点，point3为先前点，point4则不是地面点。同理可证，point1,point2为地面点，point5不是地面点。
61.所述降目标处理算法将根据所述对齐点云与所述点云地图的匹配度而判断所述对齐点云是否包含非道路因素障碍物信息，并将所述对齐点云分为非道路因素障碍物信息和道路因素障碍物信息，最后过滤前者以减小障碍物识别过程的复杂度。对齐点云与所述点云地图的匹配度是通过计算以所述对齐点云为基点，以预设空间划分距离阈值(δx，δy，δz)计算该空间内点云地图的数据量，并通过对比该数据量与预设数据量阈值而判断该点是否属于非道路因素障碍物信息。图3表示降目标处理的过程，(a)图表示所选部分对齐点的分布情况，其中p1与p3属同一射线扫描结果，p2与p3相差0.26
°
。(b)图选取p3为研究对象，根据距离阈值公式分别计算降目标处理的检测范围：δx，δy,δz,计算降目标范围如(b)图边框所示。若该检测范围内存在目标点云，如框中的部分map points且数量大于p，则p3点为非道路因素障碍物点，反之则为道路因素障碍物点。
62.障碍物识别首先以框模型为对象，以融合该模型形状参数和位置信息所构造的模型差异度函数为手段，通过计算相邻两帧框模型的差异度判断是否为同一障碍物，然后计
算自车与待识别障碍物的相对运动状态，并以相对速度、加速度、距离与预设的障碍物分类阈值的比较结果为参照区分待识别障碍物的运动状态，最后使用跟踪控制器对所识别的动态障碍物进行跟踪，获得该障碍物的实际运动状态并反馈。
63.生成障碍地图的目的在于方便使用者判断自车与障碍物之间的相对运动状态，必要时可采取人为介入的方式保障自身安全。为满足上述目的，障碍地图的尺寸将以自车为中心裁剪包含框模型的对齐点云，并设计障碍地图显示界面。为区分障碍物类别，本发明标记正在跟踪的框模型为红色，静态障碍物的框模型为黄色。为了便于避障策略的制定，本发明还将框模型的位置信息与运动信息存储并实时更新在障碍地图显示界面。
64.具体的，本实施例的基于云计算的障碍地图的创建主要依赖于云计算平台内所部署的应用服务，如图4所示。云计算平台主要用于实时上传并存储来自传感器的海量数据，也可供建立障碍地图功能随时调取所需的数据以供障碍物检测与识别，该平台还具有负载平衡、弹性伸缩的特点，因此拥有强大的实时计算能力。来自传感器的海量数据被存储于标准数据集中，并不断被更新以供建立障碍地图功能选取。云计算能力是由分布式计算、负载均衡、并行计算等计算机技术共同构成的。本发明中，云计算能力与虚拟服务器的使用相结合，根据参与处理的数据量的大小，动态增加参与计算的计算单元，以达到负载均衡的效果，为建立障碍地图功能提供最佳的计算能力。
65.本发明实施例将计算单元由车载端转移至云端，建立了基于高精度定位的过滤非道路因素障碍物的障碍物地图，既解决了车载计算单元难以无限扩容的问题，提高了计算效率，又可以在提高检测精度的同时降低识别过程的复杂度，提高障碍物识别的准确率，还可以降低车端的制造成本和计算单元的运维成本，有利于多车协同控制技术的研究。